作者丨卜松
编辑丨刘恒涛
图源丨吉晟资本
“现在具身智能还处于产业早期，真正的大规模增长还没有到来。如果类比新能源汽车行业，现在的具身智能发展阶段，大概相当于2016年、2017年的新能源汽车。”吉晟资本管理合伙人宋运东说。
2026年，具身智能企业炙手可热，宋运东用一句话概括，“95%的钱在找5%的项目”，有些公司甚至同时推进多轮融资，投资机构刚准备进入投决程序，项目估值可能又涨了一轮。部分具身智能创业公司甚至拒绝投资公司进行尽职调查。
与融资同样喧嚣的，还有行业里关于具身智能数据的讨论。
几乎每家公司都在讲缺数据，各地也建起了不少数采工厂。但在宋运东看来，数据多不等于有价值，他更关心数据能不能帮机器人形成新的能力。他认为，具身智能真正稀缺的，是具备高场景泛化、高任务联动能力的数据，以及可靠性闭环数据、结构化决策数据；通过虚拟仿真生成的合成数据价值相对有限，真正有价值的数据，往往来自真实的工业场景、家庭场景和一些特殊场景。
这也决定了吉晟资本判断一家数据公司的方式。吉晟资本在看项目时，不会只看企业采集了多少数据，而是看这些数据最终产生了什么价值。具体判断会从多个维度展开，包括数据来源、采集方法、分类方式，以及数据能不能量化、确权、复用和迭代。如果一家企业只是把数据收集起来，没有自己的采集工具和方法，也没有形成独特的数据处理能力，那在宋运东看来，它更像一个数据贸易商，投资价值相对有限。
宋运东预判，数据价值未来会出现明显分化：通用场景的数据价值会迅速下降，高复杂性、高交互性、高真实性的数据依然稀缺且昂贵。真正值得投资的，是那些能把数据变成可复用标准化资产的企业——它们不是靠人工堆出来的数据外包商，而是能在垂直场景沉淀出产品和模型的产业角色。
吉晟资本拥有深厚的汽车产业背景，宋运东也习惯用制造业的标准审视机器人公司。他尤其关注安全、成本和产品一致性。一台机器人能够完成演示，或者生产出10台、100台样机，距离真正的万台量产还有很长一段路。
“前段时间我看到一个统计，说现在机器人本体公司有600多家，还有上千家零部件公司。我觉得，再过五年、八年，这些数字可能就不一样了。行业一定会经历出清，就像2000年前后的互联网产业，以及后来新能源汽车的发展一样。具身智能现在还很早期，还没到真正的大浪。”
以下为《创业邦》与吉晟资本宋运东的访谈对话，内容有删节。
合成数据价值有限
真实场景数据才有价值
创业邦：现在几乎所有具身智能公司都在讲缺数据，各地也建起了不少数采工厂。但从投资人的角度看，行业今天真正缺的是什么样的数据？
宋运东：从资本的视角来看，具身机器人真正稀缺的，是具备高场景泛化、高任务联动能力的数据，以及可靠性闭环数据、结构化决策数据。
现在通过虚拟仿真等方式可以生成很多合成数据，但这些数据的价值相对有限。真正有价值的数据，往往来自真实的工业场景、家庭场景和一些特殊场景。
数据多不等于有价值。我们从产业投资端看，更关心数据能不能帮助机器人形成新的能力。
比如失败数据。机器人在执行任务时，哪些动作是正确的，哪些动作会导致失败，这些信息非常重要。通过失败案例，机器人能够逐渐形成行为边界，知道什么事情可以做，什么事情不能做，再通过不断训练提高泛化能力。
创业邦：前段时间甚至有路边摊主戴着第一视角采集设备，一边工作一边收集数据。这类数据对机器人训练究竟有多大价值？
宋运东：从初期训练来看，我认为是有价值的。
机器人需要经历数据采集、基础训练、场景泛化等过程。在早期阶段，单一场景的数据能够帮助它建立一些基本能力，所以这种采集方式有存在的必要。
但从中长期来看，它能够提供的训练价值相对初级。机器人未来需要面对更多复杂环境，还是要回到真实场景，获得更加丰富的数据。
所以我们判断一家数据公司的时候，不会只看它采集了多少数据，而是看这些数据最终产生了什么价值。
创业邦：自动驾驶已经用了十多年建立数据采集、标注、训练和回传的闭环。现在不少自动驾驶人才进入具身智能领域，哪些经验可以复用？
宋运东：我认为最值得复用的是数据闭环经验，包括数据工程化、分类分级、标注、仿真，以及整个数据处理体系。
自动驾驶已经形成了一套比较成熟的方法，这些工程化经验对具身智能有很大的帮助。
但两个行业面对的环境有很大区别。自动驾驶更多处理相对规则化的道路环境，重点是避障、运动轨迹和路径规划。机器人需要处理大量非结构化场景，还涉及真实的物理操作。
比如力、光、电等因素发生变化以后，机器人的动作会受到什么影响，最终执行结果会有什么不同，这些问题都需要重新解决。
我们接触过不少从自动驾驶转向具身智能的创业者。我觉得他们对AI应用的理解，以及工程化能力，往往有一定优势。他们知道怎么把数据采集、训练和应用组织成一个完整体系。
图源：摄图网
创业邦：现在世界模型发展很快，仿真数据、合成数据、互联网视频都能用于训练。未来真实数据会越来越贵，还是有些数据会迅速贬值？
宋运东：我认为会出现明显分化。
一些通用场景的数据，未来价值会迅速下降。但高复杂性、高交互性、高真实性的数据，依然会有很大的价值。
我们调研过不少企业，现在高价值数据仍然非常贵，采集成本也很高。因为真实环境中的变量太多了。
举个例子，光线发生变化，设备做了一些调整，或者场景有一点细微变化，都可能产生新的数据需求。增加一个变量，数据的价值可能就发生变化。
随着技术逐渐普及，普通数据采集的门槛会降低，但复杂场景的数据仍然稀缺。
判断一个数据公司
有哪些核心维度？
创业邦：吉晟资本此前投资相关项目时，特别强调从真实产线形成标准化训练数据资产。一家公司积累的数据达到什么程度，你才愿意把它称为资产？
宋运东：我们跟企业交流过很多次，讨论数据采集公司和普通数据服务公司究竟有什么区别。
以电池产线检测为例，相关企业原来已经向一些大型电子厂提供实验设备、检测设备，积累了真实的生产场景。
我们从这些场景中提取出40多个关键场景，再把任务拆分，通过采集工具获取数据，回传到机器人的训练场和中试基地。
机器人可以在这些场景下进行训练，包括识别错误操作、提前判断可能出现的问题。我们还会选择不同类型的机器人进行测试，比较它们在同一场景下的表现。
通过这样的方式，既能帮助机器人提高能力，也能识别不同机器人厂商各自的优势和不足。
所以我们希望这类企业形成机器人训练场和中试基地的能力。它能够持续提供训练、测试和评价服务，数据也可以反复利用。
创业邦：但现在不少公司都声称自己拥有数据壁垒。你们怎么判断这些数据到底有没有价值？
宋运东：我们会从多个维度判断，包括数据来源、采集方法、分类方式，以及数据能不能量化、确权、复用和迭代。
这些指标非常重要。
现在采集数据的工具越来越多，随着技术逐渐普及，采集本身未必会一直保持很高的门槛。企业之间的差异，更多会体现在特殊场景的处理能力、采集策略，以及数据能否跨场景复用。
如果一家企业只是把数据收集起来，没有自己的采集工具和方法，也没有形成独特的数据处理能力，那它更像一家数据贸易商。
这类公司的投资价值相对有限。
创业邦：现在很多数据公司的收入来自替客户采集数据，如果长期依赖人工，很容易变成高人力成本的服务公司。你怎么看这种商业模式？
宋运东：这是现在很多数据公司都要面对的问题。
我把数据公司的发展分成三个阶段。
第一个阶段是人工采集。早期需要依靠人力积累数据，这个过程不可避免。
第二个阶段是工具复用。企业逐渐形成自己的标准化采集工具、方法和策略，包括数据标注、分类分级，以及失败案例的采集和闭环处理。
第三个阶段才是产品化和模型化。企业能不能把积累的数据变成标准化产品，能不能在某个垂直场景形成自己的模型，最终还要看客户愿不愿意购买。
我还会看一个指标，就是企业收入增长率和人工成本增长率之间的关系。
如果收入增长了，人力成本也跟着以相近的速度增长，说明企业仍然依赖人工交付，商业模式还是偏外包。
当然，早期靠人力积累数据没有问题。但发展到一定阶段，企业需要形成自己的工具和产品，并且得到客户认可。
只有客户愿意持续使用，数据和模型能够不断迭代，企业才有机会获得更高的估值。
创业邦：一些机器人公司声称已经有很多产品落地，但仔细了解后，可能只是完成了POC，也就是概念验证。你们怎么判断它的商业化进展？
宋运东：我们还是从产业端的真实场景反推。
企业说自己有数据模型，我们会去看它应用在哪个场景，数据通过什么方式采集，用了什么工具，最终解决了什么问题。
POC本身也有验收标准。我们可以通过这些标准和评价指标，反过来判断产品和数据的质量。
如果企业已经进入商业化阶段，我们还会关注客户结构。
比如前五大客户每年都在频繁更换，就需要进一步判断企业的产品能不能复用。每年都要重新找客户、重新做项目，说明它的商业模式可能还没有真正成熟。
对于准备继续融资甚至走向IPO的公司，我们会看产品化能力、客户结构、科技属性、团队能力，以及案例能否复制到更多客户。
有些科学家适合担任创始人
有些适合当首席科学家
创业邦：吉晟资本有很强的汽车产业背景。产业资本评估具身智能项目时，会不会比财务投资人更加严格？你们最关心哪些指标？
宋运东：从汽车产业的角度，我们主要关注三个方向，安全、成本和一致性。
汽车行业有车规级的要求。一个产品做一次演示可以成功，做10个、100个也可能没有问题，但真正生产1万个，情况就完全不一样了。
所以在工程化过程中，我们会讨论一个指标，叫1万小时。
就是设备能够连续运行1万小时，不停机、不出故障。当然，这只是可靠性验证的指标之一。
图源：摄图网
我们还要看产品的成本、效率和一致性，以及它究竟能给客户带来多少价值。
很多科技成果从实验室走向产品，中间存在很大的鸿沟。跨越这个过程，需要团队、工程化能力、产业链、场景和客户共同配合，往往要花很长时间。
创业邦：现在不少具身智能公司由科学家和AI研究人员创办。你们看项目时，是否还会把学术背景放在很重要的位置？
宋运东：学术背景是我们考虑的指标之一，它可以反映创业者的专业能力，但企业能不能发展起来，还涉及商业化、管理和战略等方面。
我们投资企业时，通常先讨论战略方向。战略方向如果出现偏差，后面很多工作可能都会受到影响。
接下来会讨论产业方向、产品规划和资本规划。通过这些交流，我们判断团队有没有能力把技术转化成产品。
尤其是具身智能，它需要机械、光电、软件、算法、制造等多种技术结合。
未来有价值的AI公司，需要具备软硬一体化的系统解决能力。技术逐渐普及以后，单一技术能力的差异可能缩小，跨学科的综合应用能力会越来越重要。
创业邦：但科学家创业也有一个现实问题。有些人技术能力很强，却未必擅长管理公司。你们会建议科学家只担任首席科学家，再找一位懂商业化的人做CEO吗？
宋运东：我们确实会这样建议，但还是要看人、团队和产品。
有些科学家适合担任创始人，有些适合做首席科学家，还有一些更适合负责底层技术开发。不同角色需要的能力不一样。
我们遇到过一些团队，技术开发能力很好，但到了产品化阶段就出现了很多障碍。这时候，我们可能会建议科学家专注技术，引入有经验的人负责产品化、工程化和经营管理。
现在不少项目，我们也是按照这样的思路帮助团队进行调整。
95%的钱追逐5%的项目
具身智能还会热多久？
创业邦：今年具身智能融资非常热，世界模型又成了热门方向。你有没有感受到投资机构普遍存在的焦虑？
宋运东：有很多这样的情况。
现在有一个说法，95%的钱在找5%的项目。这会让热门项目的估值不断上涨，很多投资人都很焦虑。
有时候刚准备进入投决程序，项目估值又涨了。我们还碰到过一些企业，A1、A2、A3轮融资一起推进，不同轮次的价格也不一样。
面对这种情况，我们还是会回到产业周期和实际应用场景。
我们把产业应用分成了四五十个场景，分析哪些场景适合机器人进入，应该采用什么样的产品形态。
可能某些热门项目我们没有很好的投资机会，但仍然可以从产业应用端与机器人公司合作。
比如一个场景究竟适合轮式、双足还是四足机器人，都需要结合实际需求判断。产业资本可以通过提供场景、参与产品讨论，帮助企业成长。
图源：摄图网
创业邦：具身智能火起来以后，你有没有觉得投资人的尽调变得更难了？
宋运东：确实难了。现在有些项目方会提出所谓的“三无”，不允许投资人进厂，不允许访谈，也不允许做更多深入了解。这样的现象一直存在。
但我们作为产业投资机构，相对会好一些。因为我们能够提供产业资源，包括战略方向、应用场景和管理经验，很多机器人企业还是欢迎我们参与的。
另外，我们本身有产业背景，也更容易核实一些信息。
比如企业说产品已经进入某家客户，我们可以通过行业资源了解实际情况。但对一些缺乏产业资源的财务投资人来说，核实这些信息的难度确实会更大。
创业邦：如果一家创业公司拿着“具身数据平台”的商业计划书来找你，什么情况会让你觉得这个项目不值得继续看？
宋运东：首先看数据来源是不是真实，能不能确权、交易和复用。
如果一家企业只是把其他地方的数据汇集起来，做了一个平台，没有自己的采集工具、方法和分类体系，我认为价值比较有限。
它需要形成自己的独特能力，比如独有的数据采集套件，或者在数据分类、处理和应用方面形成优势。否则，这样的平台更接近贸易商，很难形成我们希望看到的投资价值。
创业邦：如果三年以后再看今天这轮具身智能投资热潮，你觉得行业现在最可能看错什么？
宋运东：我认为大家可能把具身智能的发展过多归结于AI模型的迭代能力和数据的堆积能力。
机器人需要很多学科交叉，涉及机械、光电、软件、算法，也涉及场景和客户。如果只看软件或者数据的某一个方面，就很难形成完整的系统能力。
所以现在大家相信的一些共识，未来未必都是正确的。
创业邦：现在也有人认为，具身智能可能不会出现类似ChatGPT的突破时刻。你怎么看？
宋运东：我觉得不一定，还是要看产业处于什么阶段。任何产业都会经历萌芽期、快速成长期、爆发期，也可能经历低谷，之后再迎来新的发展。同样一句判断，放在不同产业阶段，可能会得到不同结果。
我认为现在具身智能还处于产业早期，真正的大规模增长还没有到来。
如果类比新能源汽车行业，我觉得今天的具身智能大概相当于2016年、2017年的新能源汽车。
当时也是大量企业涌现，大家都在探索不同的技术和产品路线。经历一个产业周期以后，企业数量会发生很大变化。
前段时间我看到一个统计，说现在机器人本体公司有600多家，还有上千家零部件公司。再过五年、八年，这些数字可能就不一样了。
行业一定会经历出清，就像2000年前后的互联网产业，以及后来新能源汽车的发展过程一样。现在还早，还没到真正的大浪。
本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。
